> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.

> Effectuez le fine-tuning de modèles Azure OpenAI avec le suivi des expériences W&B pour journaliser les métriques, les hyperparamètres et la progression de l’entraînement.

# Fine-tuning Azure OpenAI

Ce guide vous explique comment utiliser W\&B avec Azure OpenAI pour suivre et évaluer les jobs de fine-tuning de modèles GPT-3.5 ou GPT-4. Une fois W\&B intégré, le suivi des expériences capture les métriques, les hyperparamètres et les artifacts d’entraînement, ce qui vous permet d’analyser et d’améliorer les performances du modèle. Vous pouvez également utiliser les outils d’évaluation de W\&B pour choisir vos modèles en vous appuyant sur les données.

Ce guide s’adresse aux spécialistes du machine learning qui effectuent le fine-tuning de modèles Azure OpenAI et recherchent une méthode systématique pour suivre et comparer leurs runs.

<Frame>
  <img src="https://mintcdn.com/coreweave-dbfa0e8d/3Dv_sw2eg8feUJlx/products/wandb/_media/aoai_ft_plot.png?fit=max&auto=format&n=3Dv_sw2eg8feUJlx&q=85&s=d671347c47842614efa552808a3f7033" alt="Métriques de fine-tuning Azure OpenAI" width="1418" height="1198" data-path="products/wandb/_media/aoai_ft_plot.png" />
</Frame>

<h2 id="prerequisites">
  Prérequis
</h2>

Avant de commencer, effectuez les opérations suivantes :

* Configurez le service Azure OpenAI conformément à la [documentation officielle d’Azure](https://wandb.me/aoai-wb-int).
* Configurez un compte W\&B avec une clé API.

<h2 id="workflow-overview">
  Aperçu du flux de travail
</h2>

Les étapes suivantes résument le parcours type d’un job de fine-tuning Azure OpenAI dans W\&B, de la préparation du job à l’évaluation du modèle obtenu.

<h3 id="fine-tuning-setup">
  Configuration du fine-tuning
</h3>

La configuration du fine-tuning comprend les étapes suivantes :

* Préparer les données d’entraînement conformément aux exigences d’Azure OpenAI.
* Configurer le job de fine-tuning dans Azure OpenAI.
* Suivre le processus de fine-tuning et journaliser les métriques et les hyperparamètres avec W\&B.

<h3 id="experiment-tracking">
  Suivi des expériences
</h3>

Pendant le fine-tuning, W\&B capture :

* Les métriques d’entraînement et de validation.
* Les hyperparamètres du modèle.
* L’utilisation des ressources.
* Les artifacts d’entraînement.

<h3 id="model-evaluation">
  Évaluation du modèle
</h3>

Après le fine-tuning, utilisez [W\&B Weave](https://weave-docs.wandb.ai) pour :

* Évaluer les sorties du modèle par rapport à des datasets de référence.
* Comparer les performances de différents runs de fine-tuning.
* Analyser le comportement du modèle sur des cas de test précis.
* Choisir le modèle le plus adapté en vous appuyant sur les données.

<h2 id="real-world-example">
  Exemple concret
</h2>

Pour voir l’intégration mise en œuvre de bout en bout, consultez les ressources suivantes :

* Explorez la [démo de génération de notes médicales](https://wandb.me/aoai-ft-colab) pour découvrir comment cette intégration facilite :
  * Le suivi systématique des expériences de fine-tuning.
  * L’évaluation de modèles à l’aide de métriques propres au domaine.
* Parcourez un [notebook interactif de fine-tuning](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/azure/azure_gpt_medical_notes.ipynb).

<h2 id="additional-resources">
  Ressources supplémentaires
</h2>

* [Guide d’intégration W\&B pour Azure OpenAI](https://wandb.me/aoai-wb-int)
* [Documentation d’Azure OpenAI sur le fine-tuning](https://learn.microsoft.com/azure/ai-services/openai/how-to/fine-tuning?tabs=turbo%2Cpython\&pivots=programming-language-python)